图像分割是对图像中的像素进行分类,即将具备相近特性的像素细分为若干不相交的区域。本文研究了基于谱分割和卷积网络的图像分割算法,主要内容如下:一、谱聚类是一种广泛使用的无监督聚类算法,在许多情况下都有很好的聚类效果。但是其具有较高的计算复杂度,很难应用于大尺度图像分割任务中。因此,本文提出一种基于小波基分解的快速谱聚类分割算法。根据小波分解的层次结构,通过小波基矩阵降低拉普拉斯矩阵的特征分解维度,并在不同层的小波子空间中对拉普拉斯矩阵的低频特征向量分层求解。该算法的计算复杂度为(?)其中n和m分别代表图像中的像素数和所选取的小波系数的数目。为了验证算法的有效性和性能,分别在Weizmann和BSDS500数据集上进行了一系列实验。实验表明,该算法在拉普拉斯矩阵的特征分解问题上平均提供约5倍的加速,同时具有较好的分割效果。二、图像语义分割的研究已经进入到深度学习领域,卷积网络在其中取得了较为优秀的成果,并显现出强大的适用性。本文提出了两种用于语义分割的卷积网络模型。其中一种使用PeleeNet作为网络的编码器来提取图像特征。对于解码器,采用跳跃连接和最大池化索引结合的方法,称之为PNet。另一种使用ENet作为主干网络,主要修改ENet网络的卷积模块和上采样模块,同时对网络中的扩张卷积依次融合,称之为LBNet。在训练过程中均使用多分辨率网络策略,通过将不同分辨率大小图片送入网络训练,鼓励相同图像区域在不同分辨率下使用相同的标签,加强像素之间的相互作用。一定程度上提高了模型在Cityscapes数据集上的分割速度和精度。三、图像处理技术越来越多的应用于医学图像诊断中。因此,本文使用Caffe框架,设计了一个宫颈细胞分割与病变检测系统。该系统使用本文提出的方法对宫颈细胞进行检测,通过输入细胞图片即可直接得到图像的分割与病变检测结果。同时,也进一步比较了卷积网络模型与谱分割算法在图像分割任务中的不同。